近红外光谱快速分析成品葡萄酒指标的研究

采用近红外光谱技术结合化学计量学算法,建立了成品葡萄酒(总糖和酒精度)的快速检测方法。通过NCL对近红外光谱图谱进行预处理,使用偏最小二乘法(PLS)建立了总糖和酒精度近红外定量模型。以决定系数(R~2)、校正均方根误差(RMSEC)和预测均方根误差(RMSEP)为模型质量的评价指标。R~2分别为0.9684、0.9146,RMSEC值分别为0.0810、0.2382,RMSEP值分别为0.0877、0.2352。结果表明,建立的模型预测效果较佳,具有较好的稳定性和较高的精密度,能满足成品葡萄酒生产中总糖和酒精度的快速检测需求。     

拉曼光谱与中红外光谱融合技术快速定量食用酒精的乙醇浓度

目的? 利用拉曼光谱与中红外光谱的数据融合技术实现对食用酒精乙醇浓度（酒精度）的快速定量检测。方法? 首先,分别采集不同浓度食用酒精水溶液的拉曼光谱与中红外光谱。其次,采用多元散射校正(multiplicative scatter correction, MSC)、卷积平滑(Savitzky-Golay, S-G)、一阶求导的方法对原始数据进行预处理。然后,基于自举软缩减法(bootstrapping soft shrinkage, BOSS)和无信息变量消除算法(uninformative variable elimination, UVE)分别对预处理后的光谱数据进行特征提取,并利用X-Y距离样本集划分法(sample set partitioning based on joint x-y distance, SPXY)将光谱数据划分为校正集和预测集。最后,建立基于拉曼光谱－中红外光谱数据融合的偏最小二乘（partial least squares regression,PLSR）食用酒精乙醇浓度预测模型,并利用麻雀搜寻算法优化的混合核极限学习机算法（SSA-HKELM）提升预测性能,实现对不同浓度食用酒精的快速、准确定量检测。结果? 与拉曼光谱数据、中红外光谱数据以及中红外与拉曼光谱的数据层融合构建的预测模型相比,中红外光谱与拉曼光谱特征层融合数据构建的预测模型具有更好的预测性能。其中,最优模型的校正集均方根误差(root mean squared error of calibration set, RMSEC)为0.98314,校正集决定系数(coefficient of determination of calibration set, Rc2)为0.99634,预测集均方根误差(root mean squared error of prediction set, RMSEP)为1.03256,预测集决定系数(coefficient of determination of prediction set, Rp2)为0.99036。结论? 中红外光谱与拉曼光谱特征层融合预测模型可以实现对不同浓度食用酒精的高效定量检测,为食用酒精的质量检测提供了有效的理论支持与技术保障。     

基于近红外光谱技术检测白酒基酒中乙醇含量的研究

为了快速测定白酒基酒中的乙醇含量,采用近红外光谱（NIRS）技术结合偏最小二乘法（PLS）处理白酒基酒近红外图谱,建 立白酒基酒中乙醇的定量分析模型。 结果表明：最佳预处理方法为减去一条直线法,最优波段谱为7 502～5 450 cm-1,主成分数为7。 校正集样品的化学值与预测值的决定系数（R2）为0.923 3,交互验证均方根误差（RMSECV）为0.89;对模型进行检验,得到验证集的 决定系数（R2）为0.954 8,预测均方根误差（RMSEP）为1.21。 结果显示近红外检测方法快速有效,所建模型具有很好的预测效果,模型 的精密度和稳定性良好。     

青砖茶品质近红外特征光谱筛选及预测模型建立

应用近红外光谱技术对青砖茶品质进行快捷、无损评价。在保证样品完整的条件下获取光谱信息,通过光谱预处理、联合区间偏最小二乘法筛选特征光谱区间后进行主成分分析,再建立品质分数的Jordan-Elman nets人工神经网络预测模型。最佳预处理方法为多元散射校正+二阶导数,特征光谱区间为4 377.6～4 751.7、4 755.6～5 129.7、6 262.7～6 633.9、7 386～7 756.3 cm~(-1),特征光谱区间前3个主成分累计贡献率为99.15%,模型传递函数为tanh,模型对验证集样品的预测均方根误差为0.386,预测集决定系数为0.973;对未知样品品质的预测结果为:预测均方根误差0.393,预测集决定系数0.971。结果表明,在75.00～93.00分青砖茶品质范围内,应用近红外光谱和Jordan-Elman nets人工神经网络方法实现了对青砖茶品质的快速、准确评价。     

基于近红外光谱技术的花生酸败特性检测研究

酸价、过氧化值是衡量花生贮藏过程中氧化酸败的重要指标,基于近红外光谱分析技术,结合化学计量分析,利用偏最小二乘法建立花生酸价、过氧化值的近红外预测模型,并对平滑、导数、多元散射校正、归一化等多种预处理方法对建模准确性的影响进行比较.结果表明:对原始光谱数据采用一阶微分处理的方法建立的模型其预测效果最佳,酸价模型的主成分维数为10,决定系数为0.955,均方根误差为0.080;过氧化值模型的主成分维数10,决定系数为0.940,均方根误差为0.459.研究表明,近红外光谱分析技术可用于花生酸价、过氧化值的快速无损检测.     

光谱预处理对便携式近红外光谱仪快速检测小麦粉灰分含量的影响

为了实现便携式近红外光谱仪现场快速分析小麦粉中灰分的含量,对125个小麦粉样本扫描并进行多种预处理后,建立了基于偏最小二乘(PLS)的定量分析模型。探讨了基线校正(Baseline)、矢量归一化(Normalize)、SavitskyGolay卷积平滑法、导数、标准正态变量变换(Standard Normal Variate Correction,SNV)以及多元散射校正(Multiplicative Scatter Correction,MSC)这六种预处理方法及其组合方式对建模的影响。结果表明:矢量归一化+Savitsky-Golay滤波平滑法是最佳预处理方法,相应建立的小麦粉灰分含量最佳模型的校正决定系数R_c~2为0.947,交叉验证决定系数R~2v为0.896,校正均方根误差(RMSEC)为0.026,交叉验证均方根误差(RMSECV)为0.037,预测均方根误差(RMSEP)为0.026。无预处理模型的校正决定系数为0.873,交叉验证决定系数为0.832,校正均方根误差为0.044,交叉验证均方根误差0.051,预测均方根误差为0.056;相较于无预处理模型,最佳模型的预测精度和稳健性有了很大的提高。     

基于NIR高光谱成像技术的滩羊肉内部品质无损检测

利用近红外高光谱成像技术对滩羊肉蛋白质和脂肪含量、pH值进行无损检测研究。通过高光谱系统(900~1700 nm)采集69个羊肉样本信息,先对全波段下的原始光谱和预处理后光谱建立偏最小二乘回归(PLSR)模型,对比优选出最佳预处理算法,后采用PLSR的加权β系数法提取特征波长,建立特征波长下各品质参数的PLSR模型,分析预测效果。结果表明:羊肉蛋白质、脂肪含量、pH值最佳预处理方法为基线校准(Baseline)、多元散射校正与S-G卷积平滑结合算法(MSC+SG)和原始光谱;利用特征波长建立预测模型,决定系数(RP2)分别为0.83、0.86和0.72,预测均方根误差(RMSEP)为0.57、0.09和0.12,可替代全波段建模。利用近红外高光谱成像技术对羊肉内部品质进行快速无损检测是可行的。     

基于近红外光谱技术的马铃薯全粉蛋白质无损检测

为了探索一种简捷、高效、快速、无损的马铃薯全粉品质的检测方法,近红外光谱技术被应用到马铃薯全粉蛋白质的无损检测研究中。以120个经过真空微波冷冻干燥技术处理的不同品种马铃薯为样品,进行光谱采集及相应的化学值测定,采用多元散射校正和SavitzkyGolay卷积平滑对1200~2400 nm波段范围内的原始光谱进行预处理,选取最优的预处理方法;运用主成分回归分析法与偏最小二乘回归系数分别选择特征波长,并根据蛋白质基团的特征光谱区间选取特征波段,建立全波段、特征波段和特征波长下的主成分回归和偏最小二乘蛋白质预测模型。结果为:经过多元散射校正处理后的光谱建模效果最好,且运用偏最小二乘回归系数选择特征波长建立的马铃薯全粉蛋白质校正和验证模型的相关系数和均方根误差分别为0.9693、0.2937和0.9779、0.3304,优于全波段和特征波段建立的模型。研究表明,采用近红外光谱技术对马铃薯全粉蛋白质的无损检测是可行的。     

近红外分析技术快速检测白酒基酒中的总酯含量

采用近红外光谱分析技术,对基酒总酯进行无损检测研究.利用近红外光谱仪采集基酒样品在4000～10000 cm-1波段内的光谱数据,首先对光谱数据进行一阶导数预处理,然后采用Si-PLS组合间隔偏最小二乘法优选特征波长,最后运用PLS偏最小二乘法建立基酒总酯模型.该模型校正集的决定系数R2C为0.95,校正集的均方根误差...     

拉曼光谱法快速检测猪肉脯中的掺伪鸡肉

目的 建立拉曼光谱法快速、准确、无损地检测猪肉脯样品中掺假鸡肉的方法。方法 制备33份猪肉中掺入不同比例鸡肉的肉脯样品,采集拉曼光谱数据,分别采用标准正态变换、多元散射校正、卷积平滑、归一化、一阶导数等5种不同预处理方法,对原始光谱数据进行预处理,采用连续投影算法、竞争性自适应重加权算法及随机蛙跳算法对光谱数据进行特征波长筛选,建立偏最小二乘法(partial least squares,PLS)模型对猪肉脯进行定性定量判别。结果 拉曼光谱数据经过多元散射校正处理的效果最佳,竞争性自适应重加权算法竞筛选效果更佳,构建猪肉脯中猪肉含量的PLS定量模型,其预测集决定系数和预测均方根误差分别为0.9762、7.2998。建立的PLS判别模型的校正集和预测集总判别正确率分别为100.00%和98.33%。结论 拉曼光谱分析技术可有效用于定性鉴别猪肉脯是否掺伪及定量分析猪肉肉脯中掺入鸡肉的比例,为肉脯掺假的快速无破坏性检测的应用提供支持。